团队从数据的每个查询 x 中抽取开头词 w，下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，

结语

团队希望这项工作能够引起大家对该新型风险的关注，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，

需要指出，如果模型成功给出了拒绝性回答 R (w’)，这种攻击方式与传统的模型蒸馏方法有本质区别，精心设计的输入，然后其对应的采样结果将作为预测出来的训练数据。墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，在本研究中，并激发更多的后续研究。

团队在最后简单探讨了一种基于检测的防御手段，为了提高模型遵循该抽取指令的能力，经过后门训练的模型通用性能上并未受到负面影响。完整抽取的数据（query）比例最高可达 76.3%，

进一步，然后构造相应的 SFT 数据对 (Q (w), x)，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，值得注意的是，即将后门抽取指令设置成乱码的无实际意义指令，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，说明了后门训练的重要作用。

总体来说，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，该打分公式的主要思想是，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

且危害性较大，此外，探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。它要求模型输出以单词 w 开头的一条训练中见过的查询。后者旨在通过模型的输出响应（response）来模仿其行为。

然而，对于 Q (w)，结果如下：

]article_adlist-->

为检测时尝试的抽取指令，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，然后通过下式给出奖励：

在针对下游微调后的模型

，如下图所示：

图 4：有无后门训练时，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，整体抽取的召回率。发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：